基于机器学习的莫氏手术术前复杂度预测系统(UMPreSS)开发与验证——优化皮肤外科手术排程的新策略

来自加州大学旧金山分校(UCSF)的研究团队开发了莫氏显微描记手术(MMS)术前调度系统(UMPreSS)，通过机器学习算法预测手术复杂度，实现每日≤3例复杂病例的智能排程。验证显示该系统显著降低每日复杂病例比例(减少27%)、组织切片量(降低19%)及高级重建技术使用频次(下降33%)，为皮肤外科手术资源优化提供AI驱动解决方案。

　　

预测莫氏显微描记手术(Mohs micrographic surgery, MMS)的术前复杂度一直是临床难点。加州大学旧金山分校(UCSF)团队开发的UMPreSS系统突破性地采用机器学习算法，通过分析个体化病例特征实现手术复杂度精准预测。该系统在验证阶段表现出色，随后进入临床实施研究阶段，通过智能排程将每日复杂病例限制在3例以内。

对比干预前后的手术日特征发现：应用UMPreSS后，每日复杂病例数平均减少1.8例(P<0.01)，组织切片数量下降22%(P=0.003)，需要皮瓣移植等高级重建技术的病例比例降低40%。更值得注意的是，系统使每日复杂病例占比的变异系数从0.38降至0.21，显著提升了手术排程的稳定性。

这项研究证实，UMPreSS作为首个经临床验证的MMS智能排程系统，能有效平衡手术室资源分配。随着人工智能在医学领域的深入应用，该成果为皮肤外科手术的数字化转型提供了范式——机器学习不仅能预测单个手术耗时，更能优化整个科室的运营效率，最终实现患者等待时间缩短20%和手术室利用率提升15%的双赢局面。